O aprendizado de máquina (ML) ajuda as organizações a gerar receita, reduzir custos, mitigar riscos, aumentar a eficiência e melhorar a qualidade, otimizando as principais funções de negócios em várias unidades de negócios, como marketing, manufatura, operações, vendas, finanças e atendimento ao cliente. Com o AWS ML, as organizações podem acelerar a criação de valor de meses para dias. Tela do Amazon SageMaker é um serviço visual de apontar e clicar que permite aos analistas de negócios gerar previsões precisas de ML sem escrever uma única linha de código ou exigir experiência em ML. Você pode usar modelos para fazer previsões interativamente e para pontuação em lote em conjuntos de dados em massa.
Nesta postagem, mostramos padrões de arquitetura sobre como as equipes de negócios podem usar modelos de ML criados em qualquer lugar, gerando previsões no Canvas e obtendo resultados de negócios eficazes.
Essa integração de desenvolvimento e compartilhamento de modelo cria uma colaboração mais estreita entre as equipes de negócios e ciência de dados e reduz o tempo de retorno. As equipes de negócios podem usar modelos existentes criados por seus cientistas de dados ou outros departamentos para resolver um problema de negócios em vez de reconstruir novos modelos em ambientes externos.
Por fim, os analistas de negócios podem importar modelos compartilhados para o Canvas e gerar previsões antes de implantar na produção com apenas alguns cliques.
Visão geral da solução
A figura a seguir descreve três padrões de arquitetura diferentes para demonstrar como os cientistas de dados podem compartilhar modelos com analistas de negócios, que podem gerar previsões diretamente desses modelos na interface visual do Canvas:
Pré-requisitos
Para treinar e construir seu modelo usando o SageMaker e trazer seu modelo para o Canvas, preencha os seguintes pré-requisitos:
- Se você ainda não tem um domínio do SageMaker e um usuário do Studio, configurar e integrar um usuário do Studio a um domínio do SageMaker.
- Habilitar e configurar o Canvas permissões básicas para seus usuários e conceda aos usuários permissões para colaborar com o Studio.
- Você deve ter um modelo treinado do Autopilot, JumpStart ou do registro do modelo. Para qualquer modelo que você construiu fora do SageMaker, você deve registrar seu modelo no registro de modelo antes de importá-lo para o Canvas.
Agora vamos assumir o papel de um cientista de dados que busca treinar, construir, implantar e compartilhar modelos de ML com um analista de negócios para cada um desses três padrões de arquitetura.
Usar piloto automático e tela
O piloto automático automatiza as principais tarefas de um processo automático de ML (AutoML), como explorar dados, selecionar o algoritmo relevante para o tipo de problema e, em seguida, treiná-lo e ajustá-lo. Tudo isso pode ser alcançado, permitindo que você mantenha total controle e visibilidade no conjunto de dados. O piloto automático explora automaticamente diferentes soluções para encontrar o melhor modelo, e os usuários podem iterar no modelo ML ou implantar diretamente o modelo na produção com um clique.
Neste exemplo, usamos um cliente churn sintético conjunto de dados do domínio de telecomunicações e são encarregados de identificar clientes que estão potencialmente em risco de rotatividade. Conclua as etapas a seguir para usar o Autopilot AutoML para criar, treinar, implantar e compartilhar um modelo de ML com um analista de negócios:
- Faça o download do conjunto de dados, carregue-o em um Amazon S3 (Serviço de armazenamento simples da Amazon) balde e anote o S3 URI.
- No console do Studio, escolha AutoML no painel de navegação.
- Escolha Criar experimento do AutoML.
- Especifique o nome da experiência (para esta postagem,
Telecom-Customer-Churn-AutoPilot
), entrada de dados S3 e local de saída. - Defina a coluna de destino como churn.
- Nas configurações de implantação, você pode habilitar a opção de implantação automática para criar um endpoint que implanta seu melhor modelo e executa a inferência no endpoint.
Para mais informações, consulte Criar um experimento do Amazon SageMaker Autopilot.
- Escolha seu experimento, selecione seu melhor modelo e escolha Compartilhar modelo.
- Adicione um usuário do Canvas e escolha Partilhar para compartilhar o modelo.
(Note: você não pode compartilhar o modelo com o mesmo usuário do Canvas usado para login no Studio. Por exemplo, o usuário A do Studio não pode compartilhar o modelo com o Usuário A do Canvas. Mas o usuário A pode compartilhar o modelo com o usuário B, portanto, escolha diferentes usos para o compartilhamento de modelo)
Para mais informações, consulte Usuários do Studio: Compartilhe um modelo com o SageMaker Canvas.
Usar JumpStart e Canvas
O JumpStart é um hub de ML que fornece modelos de código aberto pré-treinados para uma ampla variedade de casos de uso de ML, como detecção de fraudes, previsão de risco de crédito e detecção de defeitos de produtos. Você pode implantar mais de 300 modelos pré-treinados para dados tabulares, de visão, de texto e de áudio.
Para esta postagem, usamos um modelo pré-treinado de regressão LightGBM da JumpStart. Treinamos o modelo em um conjunto de dados personalizado e compartilhamos o modelo com um usuário do Canvas (analista de negócios). O modelo pré-treinado pode ser implantado em um endpoint para inferência. O JumpStart fornece um notebook de exemplo para acessar o modelo após sua implantação.
Neste exemplo, usamos o conjunto de dados abalone. O conjunto de dados contém exemplos de oito medições físicas, como comprimento, diâmetro e altura, para prever a idade do abalone (um problema de regressão).
- Faça o download do conjunto de dados abalone de Kagle.
- Crie um bucket S3 e carregue os conjuntos de dados de treinamento, validação e cabeçalho personalizado.
- No console do Studio, em SageMaker JumpStart no painel de navegação, escolha Modelos, notebooks, soluções.
- Debaixo Modelos tabulares, escolha Regressão LightGBM.
- Debaixo Modelo de trem, especifique os URIs S3 para os conjuntos de dados de treinamento, validação e cabeçalho de coluna.
- Escolha Trem.
- No painel de navegação, escolha Ativos JumpStart lançados.
- No Trabalhos de treinamento guia, escolha seu trabalho de treinamento.
- No Partilhar menu, escolha Compartilhar na tela.
- Escolha os usuários do Canvas para compartilhar, especifique os detalhes do modelo e escolha Partilhar.
Para mais informações, consulte Usuários do Studio: Compartilhe um modelo com o SageMaker Canvas.
Use o registro de modelo SageMaker e o Canvas
Com o registro de modelos do SageMaker, você pode catalogar modelos para produção, gerenciar versões de modelos, associar metadados, gerenciar o status de aprovação de um modelo, implantar modelos para produção e automatizar a implantação de modelos com CI/CD.
Vamos assumir o papel de um cientista de dados. Para este exemplo, você está criando um projeto de ML de ponta a ponta que inclui preparação de dados, treinamento de modelo, hospedagem de modelo, registro de modelo e compartilhamento de modelo com um analista de negócios. Opcionalmente, para preparação de dados e etapas de pré-processamento ou pós-processamento, você pode usar Gerenciador de dados do Amazon SageMaker e um Trabalho de processamento do Amazon SageMaker. Neste exemplo, usamos o conjunto de dados abalone baixado do LIBSVM. A variável alvo é a idade do abalone.
- No Studio, clone o GitHub repo.
- Conclua as etapas listadas no arquivo README.
- No console do Studio, em Modelos no painel de navegação, escolha Registro do modelo.
- Escolha o modelo
sklearn-reg-ablone
. - Compartilhe a versão 1 do modelo do registro do modelo para o Canvas.
- Escolha os usuários do Canvas para compartilhar, especifique os detalhes do modelo e escolha Partilhar.
Para obter instruções, consulte o Registro de modelo seção em Usuários do Studio: Compartilhe um modelo com o SageMaker Canvas.
Gerenciar modelos compartilhados
Depois de compartilhar o modelo usando qualquer um dos métodos anteriores, você pode ir para o Modelos seção no Studio e revise todos os modelos compartilhados. Na captura de tela a seguir, vemos 3 modelos diferentes compartilhados por um usuário do Studio (cientista de dados) com diferentes usuários do Canvas (equipes de negócios).
Importe um modelo compartilhado e faça previsões com o Canvas
Vamos assumir o papel de analista de negócios e fazer login no Canvas com seu usuário do Canvas.
Quando um cientista de dados ou usuário do Studio compartilha um modelo com um usuário do Canvas, você recebe uma notificação no aplicativo Canvas de que um usuário do Studio compartilhou um modelo com você. No aplicativo Canvas, a notificação é semelhante à captura de tela a seguir.
Você pode escolher Ver atualização para ver o modelo compartilhado, ou você pode ir para o Modelos página no aplicativo Canvas para descobrir todos os modelos que foram compartilhados com você. A importação do modelo do Studio pode levar até 20 minutos.
Depois de importar o modelo, você pode visualizar suas métricas e gerar previsões em tempo real com análises hipotéticas ou previsões em lote.
Considerações
Lembre-se do seguinte ao compartilhar modelos com o Canvas:
- Você armazena conjuntos de dados de treinamento e validação no Amazon S3 e os URIs do S3 são passados para o Canvas com Gerenciamento de acesso e identidade da AWS (IAM) permissões.
- Forneça a coluna de destino ao Canvas ou use a primeira coluna como padrão.
- Para um contêiner do Canvas analisar dados de inferência, o endpoint do Canvas aceita texto (CSV) ou aplicativo (JSON).
- O Canvas não oferece suporte a vários contêineres ou pipelines de inferência.
- Um esquema de dados é fornecido ao Canvas se nenhum cabeçalho for fornecido nos conjuntos de dados de treinamento e validação. Por padrão, a plataforma JumpStart não fornece cabeçalhos nos conjuntos de dados de treinamento e validação.
- Com o Jumpstart, o trabalho de treinamento precisa ser concluído antes que você possa compartilhá-lo com o Canvas.
Consulte Limitações e solução de problemas para ajudá-lo a solucionar quaisquer problemas encontrados ao compartilhar modelos.
limpar
Para evitar cobranças futuras, exclua ou desligue os recursos que você criou ao seguir esta postagem. Referir-se Sair do Amazon SageMaker Canvas para mais detalhes. Desligue os recursos individuais, incluindo notebooks, terminais, kernels, aplicativos e instâncias. Para mais informações, consulte Desligar recursos. Exclua o versão do modelo, Terminal e recursos do SageMaker, Recursos de experimento de piloto automático e Caçamba S3.
Conclusão
O Studio permite que cientistas de dados compartilhem modelos de ML com analistas de negócios em algumas etapas simples. Os analistas de negócios podem se beneficiar de modelos de ML já criados por cientistas de dados para resolver problemas de negócios em vez de criar um novo modelo no Canvas. No entanto, pode ser difícil usar esses modelos fora dos ambientes em que são construídos devido a requisitos técnicos e processos manuais para importar modelos. Isso geralmente força os usuários a reconstruir modelos de ML, resultando na duplicação de esforços e tempo e recursos adicionais. O Canvas remove essas limitações para que você possa gerar previsões no Canvas com modelos que você treinou em qualquer lugar. Usando os três padrões ilustrados nesta postagem, você pode registrar modelos de ML no registro de modelos do SageMaker, que é um repositório de metadados para modelos de ML, e importá-los para o Canvas. Os analistas de negócios podem analisar e gerar previsões de qualquer modelo no Canvas.
Para saber mais sobre como usar os serviços do SageMaker, confira os seguintes recursos:
Se você tiver dúvidas ou sugestões, deixe um comentário.
Sobre os autores
Aman Sharma é arquiteto de soluções sênior da AWS. Ele trabalha com start-ups, pequenas e médias empresas e clientes corporativos em toda a região da APJ, com mais de 19 anos de experiência em consultoria, arquitetura e soluções. Ele é apaixonado por democratizar IA e ML e ajudar os clientes a projetar seus dados e estratégias de ML. Fora do trabalho, ele gosta de explorar a natureza e a vida selvagem.
Zichen Nie é o engenheiro de software sênior da AWS SageMaker, liderando o projeto Bring Your Own Model to SageMaker Canvas no ano passado. Ela trabalha na Amazon há mais de 7 anos e tem experiência nos serviços Amazon Supply Chain Optimization e AWS AI. Ela gosta de exercícios de Barre e música depois do trabalho.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoAiStream. Inteligência de Dados Web3. Conhecimento Amplificado. Acesse aqui.
- Cunhando o Futuro com Adryenn Ashley. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- :tem
- :é
- $UP
- 1
- 100
- 20
- 7
- a
- Sobre
- acelerar
- Aceita
- Acesso
- preciso
- Alcançar
- alcançado
- em
- Adicional
- Depois de
- AI
- Serviços de IA
- algoritmo
- Todos os Produtos
- Permitindo
- permite
- já
- Amazon
- Amazon Sage Maker
- Piloto automático do Amazon SageMaker
- Tela do Amazon SageMaker
- an
- análise
- analista
- Analistas
- analisar
- e
- qualquer
- qualquer lugar
- Aplicação
- aprovação
- Aplicativos
- arquitetônico
- arquitetura
- SOMOS
- AS
- Jurídico
- At
- auditivo
- auto
- automatizar
- automatiza
- Automático
- automaticamente
- AutoML
- evitar
- AWS
- base
- BE
- sido
- antes
- beneficiar
- MELHOR
- entre
- ambos
- trazer
- construir
- Prédio
- construído
- negócio
- funções empresariais
- negócios
- mas a
- by
- CAN
- lona
- casos
- catálogo
- cadeia
- acusações
- verificar
- Escolha
- clique
- código
- colaborar
- colaboração
- Coluna
- comentar
- completar
- cônsul
- consultor
- Recipiente
- contém
- ao controle
- núcleo
- custos
- crio
- criado
- cria
- Criar
- criação
- crédito
- personalizadas
- cliente
- Atendimento ao Cliente
- Clientes
- dados,
- Preparação de dados
- ciência de dados
- cientista de dados
- conjuntos de dados
- dias
- Padrão
- Democratizando
- demonstrar
- departamentos
- implantar
- implantado
- Implantação
- desenvolvimento
- implanta
- concepção
- detalhes
- Detecção
- Desenvolvimento
- diferente
- difícil
- diretamente
- descobrir
- Não faz
- domínio
- não
- down
- distância
- dois
- cada
- Eficaz
- eficiências
- esforço
- ou
- permitir
- end-to-end
- Ponto final
- engenheiro
- Empreendimento
- ambientes
- exemplo
- exemplos
- existente
- vasta experiência
- experimentar
- experiência
- explorar
- explora
- Explorando
- poucos
- Figura
- Envie o
- financiar
- Encontre
- Primeiro nome
- seguinte
- Escolha
- Forças
- fraude
- detecção de fraude
- da
- cheio
- funções
- futuro
- gerar
- gerando
- Go
- Ter
- he
- cabeçalhos
- altura
- ajudar
- ajuda
- ajuda
- conseqüentemente
- hospedagem
- Como funciona o dobrador de carta de canal
- Contudo
- HTML
- http
- HTTPS
- Hub
- identificar
- Identidade
- if
- importar
- importador
- melhorar
- in
- inclui
- Incluindo
- Individual
- INFORMAÇÕES
- entrada
- em vez disso
- instruções
- integração
- Interface
- para dentro
- questões
- IT
- ESTÁ
- Trabalho
- jpg
- json
- apenas por
- Chave
- Sobrenome
- Ano passado
- principal
- APRENDER
- aprendizagem
- Deixar
- Comprimento
- como
- gostos
- limitações
- Line
- Listado
- localização
- log
- entrar
- procurando
- a manter
- fazer
- gerencia
- manual
- fabrica
- Marketing
- medições
- média
- metadados
- métodos
- Métrica
- poder
- mente
- Minutos
- Mitigar
- ML
- modelo
- modelos
- mês
- mais
- múltiplo
- Música
- devo
- nome
- Natureza
- Navegação
- Cria
- Novo
- não
- caderno
- notificação
- of
- frequentemente
- on
- A bordo
- ONE
- open source
- Operações
- otimização
- otimizando
- Opção
- or
- organizações
- Outros
- Fora
- resultados
- saída
- lado de fora
- próprio
- página
- pão
- passou
- apaixonado
- padrões
- permissões
- físico
- plataforma
- platão
- Inteligência de Dados Platão
- PlatãoData
- Publique
- potencialmente
- predizer
- predição
- Previsões
- pré-requisitos
- Problema
- problemas
- processo
- processos
- em processamento
- Produto
- Produção
- projeto
- fornecer
- fornecido
- fornece
- qualidade
- Frequentes
- alcance
- receber
- reduzir
- região
- cadastre-se
- registro
- relevante
- Requisitos
- Recursos
- resultando
- receita
- rever
- Risco
- Tipo
- sábio
- vendas
- mesmo
- Ciência
- Cientista
- cientistas
- marcar
- Seção
- Vejo
- selecionando
- senior
- serviço
- Serviços
- conjunto
- Configurações
- Partilhar
- compartilhado
- ações
- compartilhando
- ela
- mostrar
- Encerre
- semelhante
- simples
- solteiro
- pequeno
- So
- Software
- Engenheiro de Software
- Soluções
- RESOLVER
- start-ups
- Status
- Passos
- armazenamento
- loja
- estratégias
- estudo
- tal
- supply
- cadeia de suprimentos
- Otimização da cadeia de suprimentos
- ajuda
- sintético
- Tire
- Target
- tarefas
- equipes
- Dados Técnicos:
- telecom
- terminal
- do que
- que
- A
- deles
- Eles
- então
- Este
- deles
- isto
- aqueles
- três
- mais apertado
- tempo
- para
- Trem
- treinado
- Training
- tipo
- para
- unidades
- usar
- usava
- Utilizador
- usuários
- utilização
- validação
- valor
- Criação de valor
- versão
- Ver
- visibilidade
- visão
- we
- quando
- qual
- enquanto
- QUEM
- Largo
- Ampla variedade
- de
- dentro
- sem
- Atividades:
- trabalhar
- trabalho
- escrita
- ano
- anos
- Vocês
- investimentos
- zefirnet